金融工程專題報告：基于知識蒸餾的AI選股模型優化.pdf

上傳者：每***
時間：2026/05/27
熱度：65
0人點贊
舉報

本文探討了將知識蒸餾技術應用于量化選股領域的優化方法，旨在解決高頻數據低信噪比導致的模型訓練難題。研究選取一個在全市場具有穩定且較強選股能力的成熟綜合選股模型作為Teacher，用其預測值作為蒸餾標簽，引導基于不同數據集訓練的Student模型學習成熟模型中的收益預測信息，同時保留各自數據集的差異化增量。在信號驗證方面，研究在30分鐘K線數據集和日頻量價特征數據集上進行了對比實驗。結果顯示，蒸餾信號因子在多頭超額收益和5日IC均值兩個維度上均顯著優于原始信號。例如，在30分鐘K線數據集上，蒸餾信號因子多頭超額提升至34.2%，5日IC均值提升至11.7%；在日頻量價特征數據集上，蒸餾信號多頭超額提升至32.1%，5日IC均值提升至11.1%。在模型構建與因子集成方面，研究基于“時序LSTM+截面圖注意力”基礎架構構建Student模型，并使用5類數據集（覆蓋高頻量價、日頻量價及基本面信息）分別訓練，得到10組蒸餾因子。通過LightGBM、Xgboost、CatBoost三類GBDT模型加權集成，得到綜合因子。該綜合因子與基準綜合信號相關性約76%，與Teacher模型因子值相關性約87%，表明其既繼承了成熟模型的特征表達，又保留了增量信息。2021年以來，綜合因子5日IC均值13.0%，多頭組合年化超額收益50.0%。在指數增強策略方面，基于綜合蒸餾因子構建滬深300、中證500和中證1000指數增強組合。2021年以來，滬深300指數增強組合年化超額收益12.8%，信息比2.88；中證500指數增強組合年化超額收益15.8%，信息比2.99；中證1000指數增強組合年化超額收益20.1%，信息比3.72。研究結果表明，知識蒸餾技術能有效提升AI選股模型的性能，為量化投資提供了新的優化路徑。